阶梯状黄土边坡稳定性分析的改进遗传算法及应用

阶梯状黄土边坡稳定性分析的关键是估算其稳定系数的最小值.稳定系数的求解涉及诸多因素且计算过程繁杂,传统优化算法往往不能有效地搜索到其全局最小解.为此,提出一种改进的自适应遗传算法.算法对基因变量空间进行网格状划分,采用迭代选优法建立均匀分布的初始种群,运用优质个体保留遗传策略,并按照特定的准则自适应地调整交叉概率和变异概率,提高算法的全局搜索能力和收敛速度.实例应用表明算法能够快速有效地收敛于土坡稳定系数的全局最小解,且计算结果与实际情况更加吻合.     

混沌反向学习柯西变异和声搜索算法

为了改善和声搜索算法的寻优性能,提出一种基于混沌反向学习及柯西变异的和声搜索算法.算法首先通过混沌反向学习策略初始化和声记忆库来增强初始种群的多样性;然后通过动态地改变参数PAR和BW来逃逸局部极值;接着在算法产生新解的过程中引入柯西变异策略来提高全局探索性能.最后通过对不同类型的基准测试函数进行寻优,并做了Wilcoxon秩和检验,其结果表明,所给改进算法在求解精度和收敛速度上均优于所涉及的对比算法,即所提算法是可行的.     

基于引力搜索和粒子群混合优化算法的证券投资组合问题研究

本文研究考虑交易成本的投资组合模型,分别以风险价值(VAR)和夏普比率(SR)作为投资组合的风险评价指标和效益评价指标。为有效求解此模型,本文在引力搜索和粒子群算法的基础上提出了一种混合优化算法(IN-GSA-PSO),将粒子群算法的群体最佳位置和个体最佳位置与引力搜索算法的加速度算子有机结合,使混合优化算法充分发挥单一算法的开采能力和探索能力。通过对算法相关参数的合理设置,算法能够达到全局搜索和局部搜索的平衡,快速收敛到模型的最优解。本文选取上证50股2014年下半年126个交易日的数据,运用Matlab软件进行仿真实验,实验结果显示,考虑交易成本的投资组合模型可使投资者得到更高的收益率。研究同时表明,基于PSO和GSA的混合算法在求解投资组合模型时比单一算法具有更好的性能,能够得到满意的优化结果。     

一种改进的粒子群优化算法及其算法测试

粒子群算法原理简单、参数少、易于实现,但有时容易陷入局部最优解,收敛速度慢.本文在粒子群算法理论研究的基础上,对算法的初始值选取、惯性权重取值、算法结构进行了改进:首先采用线性惯性递减权重调整,平衡全局搜索和局部搜索的能力;然后通过logistic映射将混沌状态引入到优化变量中,增强搜索空间的遍历性;最后引入遗传算法中的选择、交叉、变异保持了种群的多样性,使其具有不易陷入局部最优的能力.采用六种典型的测试函数,对惯性权重和算法进行了测试和对比分析.结果表明,算法在收敛速度和精度上都有所提高.     

基于动态自适应t分布变异的人群搜索算法

针对人群搜索算法在进化后期大量个体聚集局部最优时,易陷入局部最优,搜索精度低的缺陷,提出一种基于t分布变异的人群搜索算法.算法使用动态自适应方式确定变异步长,引入t分布变异算子以融合柯西变异和高斯变异的优点,促进算法在进化早期具备良好的全局探索能力,在进化后期收获较强的局部开发能力,增加种群的多样性;采用边界缓冲墙策略处理越界问题,避免越界个体聚集在边界值上的缺陷.实验结果表明,算法比基本人群搜索算法具有更高的寻优精度和收敛速度,是一种有效的算法.     

改进的粒子群算法在桁架结构优化设计中的应用

应用改进的粒子群算法进行桁架结构优化设计。首先,在确定初始种群时用随机方向法产生一组适应环境值较高的初始种群,使算法快速收敛于全局最优解,降低了算法的时间复杂度;其次,将模糊推理应用于算法的参数动态调整中,提高种群的适应搜索空间环境的能力;最后,将改进的粒子群算法应用于桁架结构优化设计中.算例表明,改进后算法的搜索性能得到了一定改善,为其应用于大型复杂的工程结构优化设计提供了借鉴.     

基于混沌优化和自适应反向学习的秃鹰搜索算法

针对秃鹰搜索算法求解精度低、收敛速度较慢、容易陷入局部最优的问题,提出一种基于混沌优化和自适应反向学习的秃鹰搜索算法.首先,在选择搜索空间阶段引入正弦混沌映射更新秃鹰群位置,增加随机性,优化全局搜索能力;其次,在俯冲捕获猎物阶段加入指数自适应,平衡了全局搜索和局部搜索,同时加快收敛速度;最后,对更新后的最优秃鹰位置使用反向学习策略,提高跳出局部最优的可能性.选取12个测试函数对算法的性能进行了测试,结果表明本文改进的秃鹰搜索算法具有更优的求解精度和收敛速度.     

基于自适应子种群和动态反向学习的改进鸡群算法

针对鸡群算法(Chicken swarm optimization,CSO)求解复杂高维问题收敛精度低、容易陷入局部极值等问题,提出了一种基于自适应子种群和动态反向学习的改进鸡群(ICSO)算法.根据鸡群算法迭代进化进程,自适应确定公鸡种群规模大小,并据此将母鸡种群和小鸡分成若干个子种群;设计进化停滞判定机制,并引入动态反向学习因子以改进算法个体更新方式,有效保持鸡群样本多样性和算法全局深度搜索能力.典型测试函数仿真实验结果表明,与SFLA算法、PSO等智能优化算法相比,ICSO算法具有更高的收敛精度和更优的复杂函数优化能力.     

一种改进灰狼优化算法研究及应用

针对灰狼算法易陷入局部最优、收敛精度不高、收敛速度慢等缺点,提出一种改进的灰狼算法.引入莱维飞行,扩大搜索范围,增强全局搜索能力,避免陷入局部最优;引入贪婪原理,提升种群优良性以提高算法收敛精度;引入自适应收敛因子,加快收敛速度;引入动态权重策略,制约全局搜索与局部搜索的相互影响.将改进算法与其他四种算法作对比,实验表明,改进算法在收敛速度与收敛精度上都有更好的性能.最后,应用于图像多阈值分割中,采用GWO-Otsu法可以克服传统Otsu法在多阈值分割时计算量大,实时性差的特点,不但能够取得最优解,且明显缩减计算时间.     

一种多种群综合学习粒子群优化算法

针对综合学习算法(Comprehensive learning particle swarm optimization,CLPSO)在解决全局优化问题时精度不高且收敛速度慢的问题,提出一种多种群综合学习算法(MS_CLPSO).该算法将传统粒子群算法的社会部分引入CLPSO算法,有效提高了算法的收敛速度和局部开采能力;同时,为扩大粒子的空间搜索范围,算法引入多种群策略,提高了算法全局勘探能力;并针对可能陷入局部极值的粒子,采用全局学习策略更新学习样本,增加了种群中粒子多样性.实验结果表明,在处理单峰和多峰标准测试函数中,MSCLPSO算法有效提高了CLPSO算法的精度和收敛速度.     

顺序相依拆卸线平衡多目标优化模型及算法研究

拆卸是产品回收过程最关键环节之一,拆卸效率直接影响再制造成本。本文在分析现有模型不足基础上,考虑最小化总拆卸时间,建立多目标顺序相依拆卸线平衡问题优化模型,并提出了一种自适应进化变邻域搜索算法。所提算法引入种群进化机制,并采用一种组合策略构建初始种群,通过锦标赛法选择个体进化;在局部搜索时,设计了邻域结构自适应选择策略,并采用基于交叉的全局学习机制加速跳出局部最优,以提高算法寻优能力。对比实验结果,证实了所提模型的合理性以及算法的高效性。     

基于梯度的自适应快速布谷鸟搜索算法

针对标准布谷鸟搜索(CS)算法存在全局搜索和局部搜索能力不平衡的缺点, 提出一种基于梯度的自适应快速布谷鸟搜索(GBAQCS)算法. 在改进的算法中, 针对偏好随机游动的步长, 在利用目标函数的梯度决定步长方向的基础上, 首先提出自适应搜索机制平衡了算法的全局搜索和局部搜索能力; 其次提出快速 搜索策略, 充分利用当前鸟巢信息进行精细化搜索, 从而提高算法的搜索精度和收敛速度. 实验结果表明, 相比其他算法, 所提出的改进策略使算法的全局搜索和局部搜索能力保持了相对的平衡, 并提高了算法的收敛性能.     

自适应多种群回溯群居蜘蛛算法求解TSP问题

在群居蜘蛛优化算法中引入自适应决策半径,将蜘蛛种群动态地分成多个种群,种群内适应度不同的个体采取不同的更新方式.在筛选全局极值的基础上,根据进化程度执行回溯迭代更新,提出一种自适应多种群回溯群居蜘蛛优化算法,旨在提高种群样本多样性和算法全局寻优能力.函数寻优结果表明改进算法具有较快的收敛速度和较高的收敛精度.最后将其应用于TSP问题的求解.     

基于正弦控制因子的Lateral变异鲨鱼优化算法

针对传统鲨鱼优化算法在求解高维目标函数时,易早熟收敛,陷入局部最优的缺陷.提出一种基于正弦控制因子的Lateral变异鲨鱼优化算法.通过正弦曲线的特性和自适应惯性权重,改善了传统鲨鱼优化算法中由于随机选取控制因子数值大小可能导致算法在迭代后期全局搜索能力降低的问题,提高了算法在迭代后期的全局收敛能力,并对最佳鲨鱼位置引入Lateral变异策略,加强了算法跳出局部最优的可能性.改进后的算法对多个shifted单峰,多峰以及固定维测试函数进行求解,实验结果表明,对比多种不同优化算法而言,本文所提LSSO算法具有更高的收敛精度和搜索速度.     

全局较优解引导的人工蜂群算法

人工蜂群算法(ABC)是一种模拟蜜蜂群体寻找优良蜜源的群体智能优化算法.针对人工蜂群算法收敛速度较慢、探索能力较强而开发能力偏弱等问题,提出一种改进的蜂群算法.算法利用更多的较优蜜源位置的信息来引导采蜜蜂和跟随蜂的搜索行为.为了提高算法的全局收敛速度,通过基于混沌策略的方式生成初始化种群,并且在每一代侦察蜂阶段后对全部新蜜源进行反向再搜索.另外,每次蜜蜂邻域搜索之后,采用比较新旧蜜源的花蜜值(而非适应度值)的方法来更新蜜源位置.通过对14个标准测试函数进行仿真实验,结果表明所提出的算法能有效加快收敛速度,提高开发能力和解的精度.     

求解一般整数规划问题的改进蝙蝠算法

蝙蝠算法是一种新型的智能优化算法,本文针对基本蝙蝠算法易陷入局部最优、过早处于停滞阶段等不足之处,在蝙蝠速度更新公式中引入了惯性权重,并采用权值动态递减的方式变换权重,更好地平衡了算法的全局搜索能力和局部搜索能力.通过求解一系列经典整数规划问题,并与已有算法进行比较,结果表明:改进的蝙蝠算法在一般整数规划问题的求解中具有较高的计算效率和精度,以及较强的全局搜索能力.     

一类最小-最大车辆路线问题的启发式算法研究

针对个性化和多样性的需求,建立以缩短最长子线路为目标的最小-最大车辆路径问题模型, 并提出启发式算法求解。首先,采用自然数编码,使问题变得更简洁;用最佳保留选择法,以保证群体的多样性;引入爬山算法,加强局部搜索能力;其次,对遗传算法求得的精英种群再进行禁忌搜索,保证算法能够收敛到全局最优。最后,通过实例的计算,表明本算法均优于遗传算法和禁忌搜索算法,并为大规模解决实际问题提供思路。     

基于Cubic混沌模型的自适应布谷鸟优化算法

针对基本布谷鸟算法(CS)求解精度有限、收敛速度慢,易陷入局部最优的不足,提出一种基于Cubic混沌模型的自适应布谷鸟优化算法.算法在迭代时,自动调整Lévy flights随机搜索的步长因子,提高算法的收敛速度;将Cubic混沌映射模型嵌入布谷鸟算法,产生混沌扰动信号,对鸟巢位置进行更新,扩大种群多样性,提高全局最优值的搜索能力.通过10个标准测试函数的实验及结果分析,表明算法在寻优精度和收敛速度两方面的改进是有效的.     

融合差分进化与多策略的阿基米德优化算法

鉴于阿基米德优化算法存在易早熟,收敛慢等缺点,提出一种融合差分进化与多策略的阿基米德优化算法.首先,通过位置参数,随机选择两种混沌映射初始化种群来增强种群的多样性;其次,通过余弦控制因子的动态边界策略改进密度因子,来平衡算法的全局探索与局部开发能力;接着,融合差分进化算法,缩小最优位置的范围,以达到快速向最优位置靠拢的目的.最后,选取10个基准测试函数进行仿真实验,并对实验结果进行Wilcoxon秩和检验,结果表明所提算法性能优于对比算法.     

改进种群多样性的双变异差分进化算法

差分进化算法(DE)是一种基于种群的启发式随机搜索技术,对于解决连续性优化问题具有较强的鲁棒性.然而传统差分进化算法存在种群多样性和收敛速度之间的矛盾,一种改进种群多样性的双变异差分进化算法(DADE),通过引入BFS-best机制(基于排序的可行解选取递减策略)改进变异算子"DE/current-to-best",将其与DE/rand/1构成双变异策略来改善DE算法中种群多样性减少的问题.同时,每个个体的控制参数基于排序自适应更新.最后,利用多个CEC2013标准测试函数对改进算法进行测试,实验结果表明,改进后的算法能有效改善种群多样性,较好地提高了算法的全局收敛能力和收敛速度.